申请/专利权人：暨南大学

申请日：2023-10-18

公开（公告）日：2024-04-09

公开（公告）号：CN117351246B

主分类号：G06V10/75

分类号：G06V10/75;G06V10/80;G06V10/84;G06V10/762;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2024.01.23#实质审查的生效;2024.01.05#公开

摘要：本发明涉及图像匹配领域，尤其涉及一种误匹配对去除方法、系统及可读介质。一种误匹配对去除方法，包括：获取初始匹配对集；基于注意力机制针对所述初始匹配对集进行特征提取得到多层次深度特征；对所述多层次深度特征执行特征融合操作，得到所述初始匹配集的综合特征表示；基于所述综合特征表示获取每个匹配对的匹配概率，进而基于所述匹配概率对去除错误匹配对。针对初始匹配对集基于注意力机制针对所述初始匹配对集进行特征提取得到多层次深度特征；对所述多层次深度特征进行逐层融合操作得到所述初始匹配集中每个匹配对的匹配概率，进而基于所述匹配概率对去除错误匹配对。可以有效去除离群点信息的干扰，增强模型的准确性和稳定性，在各种应用场景中表现更好。

主权项：1.一种误匹配对去除方法，其特征在于，包括：获取初始匹配对集；其中，通过对两张图像提取其中的特征数据进行匹配得到所述初始匹配对集；基于注意力机制针对所述初始匹配对集进行特征提取得到多层次深度特征；对所述多层次深度特征执行特征融合操作，得到所述初始匹配集的综合特征表示；基于所述综合特征表示获取每个匹配对的匹配概率，进而基于所述匹配概率对去除错误匹配对；基于注意力机制针对所述初始匹配对集进行特征提取得到多层次深度特征，具体包括：使用多层特征提取模块分别对所述初始匹配对集进行特征提取；其中，多层所述特征提取模块分别用于提取不同深度的特征信息，前一层所述特征提取模块的输出数据与匹配对特征信息融合作为后一层所述特征提取模块的输入数据；集合每层所述特征提取模块的输出数据得到所述多层次深度特征；所述特征提取模块包括：多个分层注意力融合模块，每层所述分层注意力融合模块基于逐层通道融合单元和分层注意力机制单元构建；其中，所述逐层通道融合单元对特征信息进行通道下采样，逐层捕获并保留每个阶段的特征通道信息，并将每个阶段的所述特征通道信息进行通道融合；所述分层注意力机制单元用于提取特征信息的全局感知信息和结构语义信息，并基于注意力机制进行融合；聚类分析模块，对所有匹配对基于每个阶段的特征通道信息进行聚类，得到多个簇，每个簇都有各个匹配对的不同通道信息，实现簇内之间的信息交互，建立簇之间的相关性；对特征信息进行通道下采样，逐层捕获和保留每个阶段的特征通道信息，同时实现通道融合，具体包括：对特征图通过下采样删除去除特征的冗余信息，将128维的信息特征表征降低至32维；将32维的特征通过逐层生成，逐层融合的方式恢复至128维，得到的特征通道信息囊括了每个阶段生成的通道信息；其中，每一阶段的输入信息都是在前的每个阶段的输出信息组合。

全文数据：

权利要求：

百度查询： 暨南大学 一种误匹配对去除方法、系统及可读介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD